自然语言处理

01

Knowledge Graph Embedding: A Survey of Approaches and Applications

02

Parallel WaveNet: Fast High-Fidelity Speech Synthesis

@wuhecong 推荐

#Deep Learning

DeepmMind 17 年 11 月份的论文，wavenet 的改良版本，实现了并行文本转语音。可以和百度的 Deep Voice 3 对比一下。

论文链接

https://www.paperweekly.site/papers/1416

03

利用 Convolution encoder - Deconvolution decoder 学习句子的语义表示，将 cnn-deconv 框架用于文本匹配任务中，如 Text Entailment、Paraphrase Identification 任务中，generation 和 discriminative 共同训练，提升特定任务的效果。

该论文方法优势是可以利用 unlabeled 数据帮助学习句子表示，当数据不足时非常有效，随着标注数据的增加，优势逐渐减小。

论文链接

https://www.paperweekly.site/papers/1387

04

Exploring the Effectiveness of Convolutional Neural Networks for Answer Selection in End-to-End Question Answering

@longquan 推荐

#QA System

本文尝试探索了从整个端到端问答系统的流程的角度去衡量卷积神经网络对于答案选择任务的有效性。使用的数据集是标准的 TrecQA 数据集。

论文链接

https://www.paperweekly.site/papers/1400

05

Attention-based LSTM for Aspect-level Sentiment Classification

@applenob 推荐

#Sentiment Classification

使用基于 Attention 的 LSTM 解决细粒度的情感分析问题，在 SemEval 2014 上取得 state-of-art 的结果。

论文链接

https://www.paperweekly.site/papers/1359

计算机视觉

06

Learning a Wavelet-like Auto-Encoder to Accelerate Deep Neural Networks

@Aidon 推荐

#Neural Networks

文章提出一种加速 DNNs 的新方法（WAE: wavelet-like auto-encoder）来克服现有方法中存在的一个主要问题：如何保证网络加速而又不损失网络性能。

MAE 借助小波的思想，在 encoding 阶段利用 CNNs 分别提取图像的低频分量和高频分量，在 decoding 阶段利用这两个分量恢复出原始图像。

训练好 MAE 之后，可以用于提取图像的低频分量和高频分量，比如在图像分类任务中，将低频分量输入到标准的分类 DNNs（如 VGG-16，ResNet）中，然后与高频分量融合后一起用于分类。

这里提高效率的关键在于，相比于原始图像，提取的低频分量和高频分量都是低分率（原始图像的 1/4）的。

论文链接

https://www.paperweekly.site/papers/1413

07

Targeted Backdoor Attacks on Deep Learning Systems Using Data Poisoning

@snowwalkerj 推荐

#Face Recognition

在不直接接触模型和训练样本的前提下，只使用极少量的“污染样本”来迷惑模型，达到攻击（伪装）指定类别的目的。攻击者可以通过佩戴特定的装饰来达到把自己伪装成某个特定目标的目的。

论文链接

https://www.paperweekly.site/papers/1384